feat: emb_fp16 选项(Embedding表转FP16,查表带宽减半)；bench --emb-fp16

embedding查表是显存带宽瓶颈(profile 16%)；FP16表读一半字节。按token量算应
能等比例翻译到评测。代价:embedding权重存FP16微小精度损失,须先测AUC。默认关。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

代码/code/bench.py

@@ -296,6 +296,7 @@ def _parse_args():
     ap.add_argument("--moe", choices=["dense", "loop"], default=None,
                     help="MoE实现：dense=向量化(新), loop=逐expert循环(原)")
     ap.add_argument("--compile", action="store_true", help="开启 torch.compile")
+    ap.add_argument("--emb-fp16", action="store_true", help="Embedding表转FP16(查表带宽减半,测AUC)")
     ap.add_argument("--profile", type=int, default=None, metavar="N",
                     help="剖析前 N 个 batch，打印按 CUDA 耗时排序的算子表（定位瓶颈）")
     ap.add_argument("--rebuild", action="store_true", help="强制重建过滤缓存")
@@ -325,6 +326,8 @@ if __name__ == "__main__":
         cfg["attn"] = a.attn
     if a.moe is not None:
         cfg["vectorize_moe"] = (a.moe == "dense")
+    if a.emb_fp16:
+        cfg["emb_fp16"] = True
     if a.compile:
         cfg["compile"] = True
     if a.profile is not None:

代码/code/infer.py

@@ -50,6 +50,7 @@ CONFIG = {
     "vectorize_moe": True,    # True=稠密向量化MoE(无同步点)；False=原逐expert循环(.nonzero同步)
     "fuse_embedding": True,   # True=28个slot的查表+池化融合为1次(减per-batch kernel启动)
     "syncfree_mask": True,    # True=用searchsorted构造因果mask(无同步)；False=repeat_interleave(同步)
+    "emb_fp16": False,        # True=Embedding表也转FP16(查表带宽减半,可能微动AUC)；False=保留FP32
     "compile": False,         # 是否 torch.compile（实测慢5×，勿开）
 }
 
@@ -700,7 +701,8 @@ def load_model(ckpt_path, device='cuda:0'):
 
         if CONFIG["fp16"]:
             model = model.half()
-            # Embedding 始终保留 FP32（int 索引查表，不受浮点精度影响）
+            # 默认 Embedding 保留 FP32；emb_fp16=True 时保持 FP16（查表带宽减半）
+            if not CONFIG.get("emb_fp16", False):
                 model.rep_encoder.emb = model.rep_encoder.emb.to(torch.float32)
             # 额外保留 FP32 的精度敏感模块（输入/输出自动转换）
             for name, module in model.named_modules():